摘要
投资组合优化旨在构建满足投资者风险偏好和收益目标的最优资产组合，是现代金融理论的核心问题之一。
传统的均值-方差模型因其假设条件的局限性，难以准确刻画现实金融市场的复杂性。
而近年来兴起的均值-CVaR模型，通过引入条件风险价值（CVaR）这一能够有效捕捉尾部风险的指标，为构建更加稳健的投资组合提供了新的思路。
猫群优化算法作为一种新兴的群体智能优化算法，因其结构简单、参数较少、易于实现等优点，被广泛应用于求解各类复杂优化问题。
然而，基本猫群优化算法也存在易陷入局部最优、收敛速度慢等缺陷，限制了其在高维、非线性投资组合优化问题上的应用效果。
为此，本文拟针对均值-CVaR投资组合模型的特点，研究改进猫群优化算法，以提高算法的求解精度和收敛速度。
关键词：投资组合优化；均值-CVaR模型；猫群优化算法；算法改进
#1.1均值-CVaR投资组合模型
传统的投资组合理论以Markowitz的均值-方差模型为基础，其假设资产收益率服从正态分布，并以投资组合的期望收益和方差分别度量收益和风险。
然而，现实金融市场中资产收益率往往呈现出尖峰厚尾、非对称分布等特征，此时均值-方差模型难以准确刻画风险，尤其是在面对极端风险事件时。
为了克服传统模型的不足，Rockafellar和Uryasev[1]提出了条件风险价值（ConditionalValue-at-Risk，CVaR），也称为期望尾部损失（ExpectedShortfall），用于度量投资组合在一定置信水平下，超过VaR的平均损失。
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
